導語：公路整車貨物運輸車貨匹配探討一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

[摘要]貨車司機找貨難、貨主找車難、貨車空駛率高、貨車運輸資源閑置等問題是造成我國公路物流運輸成本居高不下的重要因素。為提高車貨匹配效率，降低物流運輸成本，對公路整車型貨物運輸的車貨匹配問題進行研究，提出了一種雙邊匹配決策方法。首先，從現實公路貨物運輸中提煉了整車型車貨匹配問題，給出了考慮貨源屬性、貨車屬性、貨主和貨車司機偏好等信息的車貨匹配問題數學描述。然后，構建了適應現實車貨匹配需求的車貨匹配指標體系。在此基礎上，以貨主和貨車司機滿意度最大為優化目標構建了雙目標優化模型，并采用基于隸屬函數的加權和方法將其轉化為單目標優化模型。最后，通過從互聯網貨運中介平臺上采集到的車源和貨源數據驗證了所提方法的實用性和有效性。

[關鍵詞]公路運輸；整車運輸；車貨匹配；雙邊匹配；優化模型

貨物運輸業在國民經濟中占有舉足輕重的地位，是支撐國民經濟發展的基礎性和戰略性產業。伴隨著我國經濟的健康、持續快速發展以及公路交通網絡的不斷完善，特別是高速公路通車里程的大幅度增加，我國公路貨物運輸業也取得了長足的發展。在我國公路貨物運輸業的發展過程中，由于公路貨物運輸市場的參與主體多、物流企業規模小、貨車司機和貨主地域分散、信息不對稱等因素，長期以來一直存在著貨車和貨源得不到高效整合與匹配的問題，具體體現在貨車司機找貨源難、貨主找貨車難、貨車空駛率高、車輛資源閑置等方面，并由此導致公路物流運輸成本高、物流運輸效率低下、大量物流資源浪費等[1-2]。車貨匹配問題已經成為制約我國公路貨物運輸業快速發展的重要因素，是當前公路貨物運輸業亟需解決的關鍵問題，已引起國家的高度重視。在2014年國務院印發的《物流業發展中長期規劃(2014-2020)》中明確提出，鼓勵龍頭物流企業搭建面向中小物流企業的物流信息平臺，促進貨源、車源和物流服務等信息的高效匹配，有效降低貨車空駛率。2015年國務院又在《國務院關于積極推進“互聯網+”行動的指導意見》中強調，發揮互聯網信息集聚優勢，聚合各類物流信息資源，鼓勵骨干物流企業和第三方機構搭建面向社會的物流信息服務平臺。2016年國家發展改革委為深入貫徹落實《國務院關于積極推進“互聯網+”行動的指導意見》，印發了《“互聯網+”高效物流實施意見》，并將“發展公路港等物流信息平臺，整合線下物流資源，打造線上線下聯動公路港網絡，促進車貨高效匹配”作為實施“互聯網+”高效物流的一項主要任務[3-4]。因此，如何為貨車快速找到貨源，為貨源快速找到合適的貨車，實現車貨的合理有效匹配，提高車貨匹配效率，減少貨車司機的等待時間，降低貨車空駛率，降低運輸成本，對于促進我國公路貨物運輸業的健康發展具有重要的現實意義。

1研究現狀分析

目前關于公路貨物運輸車貨匹配的研究主要包括車貨匹配理論、平臺和匹配方法的研究。Janssen和Verbraeck通過實證研究發現，當涉及多個貨車司機和多個貨主時，貨車司機和貨主更傾向于采用雙邊匹配機制，若由電子中介來運作交通運輸市場將是最有效的方式。此外，他們還從貨車司機和貨主的角度采用基于agent模擬的方法，對交通運輸市場中基于互聯網的電子匹配機制和傳統匹配機制進行了比較分析，研究表明電子匹配機制能夠降低交易時間和交易成本，并且貨車司機和貨主都傾向于采用實時的電子匹配機制進行車貨匹配[5]。Bǎdicǎ等提出了一個基于agent的貨物中介系統，描述了multi-agent系統的架構及交互協議，在該系統中貨運中介的角色是協調顧客與運輸資源提供者之間的管理，為顧客找到可用的貨車[6]。陳動福以貨車幫平臺為例，研究得出車貨精準匹配效率可通過高效的數據處理、打破信息壁壘、完善信用體系等方面得到提高[7]。Silver將最優化技術在貨運中介行業中進行了實際應用，并提出了向多個運輸公司提供最佳的貨車貨運投標、優化零擔型貨運以及貨物與貨車之間的優化匹配三個工具[8]。Kim，等研究了基于配貨中介的車貨匹配問題，建立了以送貨人利潤最大為目標，以運載量和時間窗為約束條件的優化匹配模型，采用拉格朗日松弛方法將模型分解為一個問題和多個子問題，利用次梯度優化技術求解模型[9]。Zhang和Wang針對分布式物流中心的貨車負載匹配優化問題，建立了包含8個指標的評價體系，并提出了基于灰色定權聚類模型的貨車負載匹配優化選擇方法[10]。Bǎdicǎ，等討論了基于和約束的貨運陳述式建模問題，該模型可用于貨物從貨源地運輸到目的地的車輛分配，并且一輛車可以為運輸路線上的多個客戶提供服務，此外，該模型被映射到Eclipse約束邏輯編程系統，這樣就可以采用可用的約束求解器自動計算最佳調度[11]。王蓓蓓，等針對具有不確定信息的車貨匹配決策問題，利用灰色絕對關聯度來測度匹配主體的滿意度，構建了相應的多目標灰色雙邊匹配模型[12]。郭靜妮構建了車源方和貨源方的多指標語言評價體系，通過三角模糊數將語言信息進行量化，進而提出了模糊群決策方法[13]。胡覺亮，等針對公路干線貨運平臺車貨匹配效率低下、匹配成功率不高等問題，提出了平臺利用信用評價體系篩選高信用車主的匹配調度新模式，并建立了以最小匹配成本為目標的一對多車貨匹配調度模型[14]。朱江洪，等為了解決車貨匹配雙方以不確定語言評價表征屬性信息的最優匹配問題，利用WULBM算子集成多屬性不確定語言關聯信息以綜合不確定語言信息，構建了體現公平性和滿意度盡可能高的匹配優化模型[15]。楊濱舟，等以匹配主體需求為導向建立車貨匹配指標體系，采用直覺模糊集來量化雙方的滿意度，并構建了優化模型[16]。上述相關學者的研究表明雙邊匹配機制在解決公路貨物運輸車貨匹配問題中的重要性，如可以提高交易效率、降低交易成本等。此外，目前雖有部分學者對車貨匹配問題進行了研究，給出了車源和貨源的篩選方法或優化匹配方法。但已有的研究大多僅僅考慮了車源和貨源的基本屬性，對于同時考慮貨主和貨車司機雙方偏好的研究還很缺乏，并且已有研究所考慮的車貨匹配屬性與現實情形不太相符。基于此，本文對同時考慮貨源屬性、貨車屬性、貨主偏好和貨車司機偏好的雙邊匹配問題進行了研究。

2整車型車貨匹配問題描述

本文考慮的是公路貨物運輸中需要整輛汽車運輸一批托運貨物的整車型車貨匹配問題。從雙邊匹配的角度來看，整車型車貨匹配問題是一個一對一雙邊匹配問題，即一批貨源需要一輛運輸車輛來運輸，一輛運輸車輛一次只能運輸一批貨物。設貨源的集合為C={C1,C2⋯,Cm},其中Ci為第i批貨源，i=1,2,...,m;T={T1,T2⋯,Tn},其中Tj為第j輛貨車，j=1,2,...,n。貨源Ci的屬性信息有車型要求Cci、車長要求Cli、貨物重量Cwi、貨物體積Cvi、貨物發貨地Csi、貨物到達地Cdi、裝貨時間Cti等，i=1,2,...,m。其中，車型要求Cci是一個語言信息構成的集合，如Cci={廂式，高欄}；車長要求Cli、貨物重量Cwi和貨物體積Cvi都是數值型信息，貨物發貨地Csi和貨物到達地Cdi是由城市地名形成的語言型信息，如北京、上海、南京等；裝貨時間Cti是時間型數據，如2020-10-12。本文所構建的貨源匹配指標信息見表1。貨車Tj屬性信息包括車型Tcj、車長Tlj、車輛載重Twj、載貨體積Tvj、車輛出發地Tsj、車輛到達地Tdj、車輛截止裝貨時間Ttj等，j=1,2,...,n。其中，車型Tcj是語言信息，車長Tlj、車重Twj和體積Tvj都是數值型信息，車輛出發地Tsj和車輛到達地Tdj都是語言型信息，貨車最遲裝貨時間Ttj是時間型信息。本文所構建的車源匹配指標信息見表2。由于貨源和貨主是一一對應的，本文中Ci不僅表示第i批貨源，也表示第i個貨主，i=1,2,...,m；類似地，Tj不僅表示第j輛貨車，也表示第j個貨車司機，j=1,2,...,n。貨主Ci通過駕駛經驗、信譽度、運輸時間等指標對貨車司機Tj進行總體評價后給出一個1-10之間的打分α(i,j)。貨車司機Tj根據貨源的類型、運輸價格等指標對貨源Ci進行總體評價后給出一個1-10之間的打分β(i,j)。本文根據貨源Ci的基本屬性（Cci，Cli，Cwi，Cvi，Csi，Cdi，Cti）和貨車的基本屬性（Tcj，Tlj，Twj，Tvj，Tsj，Tdj，Ttj），以及貨主打分α(i,j)、貨車司機打分β(i,j)，通過一種有效的雙邊匹配決策方法，實現貨源和貨車的最優匹配，從而提高車貨匹配效率。

3車貨匹配決策方法

3.1優化模型構建設

xij為0-1型決策變量，xij=1表示貨源Ci與貨車Tj形成匹配，否則xij=0。由此建立以貨主和貨車司機雙方滿意度最大為優化目標的雙邊匹配優化模型。式（1）-式（10）構成了整車型車貨匹配的優化模型，其中，式（1）、式（2）為目標函數，分別表示貨主和貨車司機的滿意度最大；式（3）和式（4）是車貨匹配數量約束，式（3）表示一批貨源最多只能由一輛貨車運輸，式（4）表示一輛貨車最多只能運輸一批貨源；式（5）-式（9）是車源和貨源屬性匹配約束，式（5）表示貨源所需的車型長度不能超過貨車實際的長度，式（6）表示貨源的重量不能超過貨車載重，式（7）表示貨源的體積不能超過貨車載貨體積，式（8）表示貨源的出發地和到達地必須與貨車運輸路線的出發地和到達地相同，式（9）表示貨車的車型必須是貨源要求的某種車型。

3.2模型求解

模型式（1）-式（10）是一個雙目標0-1型整數規劃問題。本文采用基于隸屬函數的加權和方法將其轉化為單目標問題進行求解[17]。首先，定義兩個目標函數的隸屬函數如下：整車型車貨匹配優化模型式（1）-式（10）通過隸屬函數加權和方法轉化為單目標優化模型式（13），式（3）-式（10）。貨運中介可根據匹配時段內貨源和車源數量動態選擇單目標優化模型的求解方法，當貨源和車源數量較少時，可采用優化軟件包如Lingo、Cplex等進行求解，如果貨源和車源規模較大時，則可設計智能優化算法如遺傳算法、蟻群算法等進行求解，以提高求解效率。

4算例分析

國內某貨運中介依托移動互聯網、大數據和人工智能技術，為貨車司機和貨主搭建了“方便、快捷、可信”的移動互聯網貨運平臺，致力于為公路運輸物流行業提供高效的貨運服務。貨運平臺通過共享模式整合社會運力資源，為車主找貨、貨主找車，提供全面的信息資源及車貨匹配交易服務。貨運平臺根據車源和貨源的數量可以動態確定匹配時間間隔，假設在某時間內的貨源信息和車源信息，分別見表3、表4。貨運平臺通過數據挖掘方式來獲取貨主與貨車司機的偏好與興趣，獲得的貨主和貨車司機打分見表5和表6。在此基礎上，可以構建整車型車貨匹配優化模型式（1）-式（10），進而采用Lingo12.0可以計算得到單獨考慮目標函數Z1和Z2時的目標函數值Zmax1=80，Zmin1=45，Zmax2=65，Zmin2=47。為保證貨主和貨車司機匹配的公平性，貨運平臺通常將滿意度協調系數w1,w2設置為w1=w2=0.5。通過求解單目標優化模型式（13）、式（3）-式（10）獲得的最優匹配方案為：x11=x26=x37=x48=x59=x64=x73=x85=x92=1，即貨源C1由貨車司機T1運輸，貨源C2由貨車司機T6運輸，貨源C3由貨車司機T7運輸，貨源C4由貨車司機T8運輸，貨源C5由貨車司機T9運輸，貨源C6由貨車司機T4運輸，貨源C7由貨車司機T3運輸，貨源C8由貨車司機T5運輸，貨源C9由貨車司機T2運輸。

5結語

公路貨物運輸行業中貨車司機找貨難、貨主找車難的問題是長期以來制約我國物流行業發展的一大難題。本文針對整車型車貨匹配問題，構建了基于現實車貨匹配需求的車貨匹配指標體系，并提出了一種基于雙邊匹配理論的車貨匹配優化方法。該方法綜合考慮了貨源屬性、貨車屬性、貨主和貨車司機偏好等四方面的信息，并將其融入車貨匹配優化模型。本文所提決策方法彌補了已有車貨匹配研究大多僅僅考慮貨源和貨車屬性信息的不足，為解決現實車貨匹配問題提供了一種理論指導。本文僅僅研究了整車型車貨匹配問題，未來尚需對零擔型車貨匹配問題進行探索。此外，如何將大數據技術與雙邊匹配理論結合應用于車貨匹配問題也是具有重要理論和現實價值的研究課題。

作者：孔德財 劉鷺 霍晉元 單位：淮陰工學院管理工程學院 江蘇省智能工廠工程研究中心